基本信息

• 商品名稱：模式識別(新核心理工基礎教材普通高等教育十二五重點規劃教材)
• 作者：趙宇明//熊惠霖//周越//胡福喬//姚莉秀
• 代碼：36
• 出版社：上海交大
• ISBN號：9787313102461

其他參考信息

• 出版時間：2013-10-01
• 印刷時間：2013-10-01
• 版次：1
• 印次：1
• 開本：16開
• 包裝：平裝
• 頁數：171
• 字數：244千字

編輯推薦語

作為主要面向高校模式識別課程的教材，《模式識別》主要講述統計模式識別的核心內容，包括判別函數方法、貝葉斯決策理論、錯誤率和密度函數估計、*近鄰分類法、特征變換和特征選擇、聚類分析等傳統的統計模式識別知識；另外，作為對模式識別新方法的介紹，本書*後三章分專題較詳細地介紹了現代模式識別中三種應用廣泛的典型方法，即支持向量機理論、人工神經網絡方法和基於隱馬爾可夫模型的模式識別方法。本書由趙宇明等編著。

內容提要

《模式識別》繫統地論述了各類經典模式識別的 基本概念、基本原理、典型方法、實用技術以及有關 研究的新成果。本書討論的模式識別技術涵蓋統計模 式識別、支撐向量機理論、人工神經網絡技術以及基 於隱馬爾科夫模型的識別方法等多個方面。全書共分 10章。**章為緒論；第2章至第7章繫統地介紹統計 模式識別的基本理論和基本方法，包括用似然函數做 模式識別、用距離函數做模式識別，以及特征選擇， 具體為：判別函數方法、Bayes決策理論、錯誤率和 密度函數估計、*近鄰法、聚類分析以及特征選擇； 第8章論述支撐向量機理論；第9章介紹人工神經網絡 技術；**0章討論基於隱馬爾科夫模型的識別方法。
     《模式識別》可供模式識別與智能繫統、計算機 科學與技術、控制科學與工程、生命科學與技術及其 他領域的和有關專業的研究生、本科高年級學生作為 關於信息分析、檢測、識別的教材或教學參考書，也 可以供相關專業的科研人員參考。本書由趙宇明等編 著。
    

目錄

**章 緒論
1.1 模式識別概論
1.1.1 模式識別基本概念
1.1.2 模式識別繫統的組成
1.1.3 模式識別方法
1.2 模式識別數學基礎
1.2.1 隨機向量
1.2.2 正態分布
第2章 判別函數方法
2.1 引言
2.2 線性判別函數
2.2.1 兩類的線性判別
2.2.2 多類的線性判別
2.3 Fisher判別分析法
2.3.1 Fisher判別分析
2.3.2 多重判別分析
2.4 廣義線性判別函數
2.4.1 一維的例子
2.4.2 多維的例子
2.5 感知準則函數和梯度下降法
2.5.1 基本概念
2.5.2 梯度下降法
2.5.3 感知器準則函數
2.6 *小平方誤差準則函數
2.6.1 MSE準則函數及其偽逆解
2.6.2 偽逆法
2.6.3 梯度下降法
2.6.4 Widrow-Hoff算法
2.7 適合於多類直接分類的決策樹方法
2.7.1 評價準則
2.7.2 基於信息熵的信息增益
2.7.3 ID3決策樹算法的遞歸描述
2.7.4 ID3算法舉例
習題
第3章 Bayes決策理論
3.1 *小錯誤率貝葉斯決策
3.2 *小風險的貝葉斯決策
3.3 正態分布的貝葉斯分類器
3.3.1 各類協方差都相等，且各分量相互獨立情況
3.3.2 各類協方差都相等，但各分量不相互獨立情況
3.3.3 一般情況
3.3.4 數字實例
3.4 紐曼一皮爾遜(Neyman-Pearson，NP)決策規則
3.5 *小*大決策
習題
第4章 錯誤率以及密度函數的估計
4.1 錯誤率
4.1.1 正態、等協方差情況下貝葉斯分類器錯誤率公式
4.1.2 錯誤率的上界
4.1.3 錯誤率的實驗估計
4.2 密度函數估計——參數法
4.2.1 *大似然估計
4.2.2 逐次的貝葉斯估計和貝葉斯學習
習題
第5章 近鄰分類法
5.1 單中心點情況
5.2 多中心點情況
5.3 *近鄰法
5.4 K近鄰法
5.5 *近鄰法的缺點及改進方法
5.5.1 剪輯近鄰法
5.5.2 凝聚法
習題
第6章 聚類分析
6.1 距離及相似性度量
6.2 聚類準則
6.2.1 離差平方和準則
6.2.2 離散度準則
6.3 繫統聚類法
6.3.1 *短距離法
6.3.2 *長距離法和中間距離法
6.3.3 重心法、類平均和可變類平均法
6.3.4 離差平方和法
6.3.5 繫統聚類法的性質
6.4 動態聚類法
6.4.1 K-meanS算法
6.4.2 ISODATA算法
習題
第7章 特征選擇
7.1 維數問題和類內距離
7.1.1 維數問題
7.1.2 類內距離
7.2 集群變換
7.2.1 集群變換的基本思想
7.2.2 用集群變換進行特征選擇
7.2.3 集群變換的例子
7.3 K-L變換
7.3.1 從表達模式看K-L變換
7.3.2 K-L變換舉例
7.3.3 混合白化後抽取特征
7.3.4 混合白化後抽取特征的例子
7.4 分散度
7.4.1 分散度的概念
7.4.2 分散度用於特征選擇
習題
第8章 支持向量機理論
8.1 引言
8.2 支持向量機理論的數學基礎
8.2.1 無約束極值
8.2.2 等式約束下的條件極值與Lagrange函數法
8.2.3 不等式約束下的優化問題
8.3 *大間隔分類器
8.3.1 *大間隔線性分類器
8.3.2 廣義*大間隔線性分類器
8.4 支持向量機
8.4.1 核函數與核技巧(Kernel Trick)
8.4.2 支持向量機
8.4.3 多類問題的支持向量機分類
8.4.4 支持向量機的實現方法和軟件包
第9章 人工神經網絡
9.1 人工神經網絡概述
9.1.1 引言
9.1.2 人工神經網絡基礎
9.2 前饋神經網絡及其主要算法
9.2.1 MP模型
9.2.2 感知器模型
9.2.3 前饋神經網絡
9.2.4 反向傳播算法(BP法)
9.2.5 徑向基函數網絡
9.3 反饋網絡——Hopfield網絡
9.3.1 Hopfield網絡概述
9.3.2 離散Hopfield網絡(DHNN)
9.3.3 聯想存儲器
9.3.4 優化計算
9.3.5 連續Hopfield網絡(CHNN)
9.4 自適應共振理論神經網絡
9.4.1 概述
9.4.2 ART網絡的結構及原理
9.4.3 ART工網絡算法步驟
9.5 自組織特征映射神經網絡
9.5.1 概述
9.5.2 SOFM網絡模型及功能
9.5.3 SOFM網絡原理
**0章 基於隱馬爾科夫模型的識別方法
10.1 一階馬爾科夫模型(MM)
10.2 一階隱馬爾科夫模型(HMM)
10.2.1 離散馬爾科夫過程
10.2.2 隱馬爾科夫模型的概念
10.2.3 隱馬爾科夫模型的參數
10.2.4 隱馬爾科夫模型的三個基本問題
參考文獻